Детальная информация

Тема выпускной квалификационной работы: «Интеллектуальная система прогнозирования времени выполнения работ и классификации электронных заявок на основе машинного обучения в составе АСУП АО «ПО «Севмаш» (ОПК)». Работа посвящена исследованию и применению методов машинного обучения с учителем для построения моделей, используемых в задачах прогнозирования времени выполнения работ по электронным заявкам Лаборатории специальных измерений (ЛСИ) и классификации исхода заявок (завершена/отклонена) в условиях действующей производственной информационной среды. Задачи, которые решались в ходе исследования: 1. Анализ предметной области ЛСИ и бизнес‑процесса обработки заявок в составе АСУП; формализация целей регрессии (время выполнения) и классификации (исход заявки). 2. Сбор и подготовка исторических данных из электронного журнала заявок (Visual FoxPro) и СУБД Oracle; обезличивание, очистка от выбросов и пропусков, проектирование признаков. 3. Разработка и обучение моделей с учителем для регрессии и классификации (линейные/логистические модели, деревья решений, бустинг); Работа выполнена на базе АО «ПО «Севмаш». Источником фактического материала послужили обезличенные исторические выгрузки электронного журнала заявок ЛСИ и связанные справочные данные из Oracle, описывающие типы работ, цеха‑инициаторы, приоритеты, временные метки прохождения стадий и др. Проведён предварительный анализ данных, показавший влияние организационных (приоритет, загруженность) и технологических факторов на длительность исполнения и вероятность отклонения. В результате исследован процесс жизненного цикла заявки в ЛСИ, разработан прототип интеллектуального модуля, формирующий прогноз времени выполнения и вероятность отклонения или успешного завершения для новых заявок. Практическая значимость работы заключается в повышении точности и прозрачности планирования работ ЛСИ, сокращении просрочек и улучшении распределения ресурсов. Результаты и подходы, представленные в работе, могут быть масштабированы на другие подразделения АСУП.

Topic of the graduation thesis: «An intelligent system for predicting job execution time and classifying electronic requests based on machine learning as part of the APS of JSC «PO Sevmash» (defense industry complex).» The thesis focuses on studying and applying supervised machine learning methods to build models used to predict the execution time of work based on electronic requests from the Special Measurements Laboratory (SML) and to classify request outcomes (completed/rejected) in an operating production information environment. Research objectives addressed in the study: Analysis of the SML domain and the request-processing business process within the APS; formalization of the regression objective (execution time) and the classification objective (request outcome). Collection and preparation of historical data from the electronic request log (Visual FoxPro) and the Oracle DBMS; anonymization, outlier and missing-value cleaning, and feature engineering. Development and training of supervised models for regression and classification (linear/logistic models, decision trees, boosting). The work was carried out at JSC «PO Sevmash». The empirical basis consisted of anonymized historical exports from the SML electronic request log and related reference data from Oracle describing types of work, initiating workshops, priorities, timestamps for passing through stages, etc. A preliminary data analysis was performed, showing the influence of organizational (priority, workload) and technological factors on execution duration and the probability of rejection. As a result, the request life-cycle process in the SML was examined, and a prototype intelligent module was developed that generates a forecast of execution time and the probability of rejection or successful completion for new requests. The practical significance of the work lies in improving the accuracy and transparency of SML work planning, reducing overdue tasks, and improving resource allocation. The results and approaches presented in the thesis can be scaled to other APS divisions.